Aplicações de aprendizagem de máquina em engenharia de materiais

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Brustolin, Nilton Renê Alberto
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Engenharia de materiais
Aprendizagem de máquina
Inteligência Artificial
Link de acesso: https://dspace.ifrs.edu.br/xmlui/handle/123456789/1902
Resumo: Este trabalho apresenta uma análise abrangente sobre a aplicação de técnicas de aprendizagem de máquina na Engenharia de Materiais, destacando seu papel no enfrentamento de desafios associados ao desenvolvimento, previsão de propriedades e otimização de processos na área. A pesquisa é estruturada em dois artigos científicos: o primeiro realiza uma revisão sistemática da literatura publicada entre 2015 e 2023, identificando as principais técnicas empregadas, como redes neurais e Deep Learning, além das subáreas mais beneficiadas, como materiais metálicos, compósitos e nanomateriais. O segundo artigo aborda um estudo de caso sobre a aplicação de inteligência artificial para otimizar a fabricação sustentável de ferro fundido nodular austemperado. Um exemplo concreto é o desenvolvimento de uma RNA que correlaciona propriedades mecânicas (Rmax, LE, %A, HB) e custos de composição química com elementos químicos específicos (%C, %Si, %Mn, entre outros), conforme dados fornecidos pelo ASM Handbook. Este modelo demonstra como o aprendizado de máquina pode prever composições químicas ideais para atender propriedades desejadas, economizando tempo e reduzindo custos nos processos industriais. Os resultados evidenciam que as técnicas de aprendizagem de máquina permitem reduzir custos, acelerar o tempo de desenvolvimento de materiais e melhorar a confiabilidade na determinação das propriedades dos materiais. No entanto, desafios como a qualidade dos dados e a necessidade de padronização ainda limitam sua implementação prática. Conclui-se que a integração entre ciência dos materiais e ciência da computação é essencial para o avanço no desenvolvimento de novos materiais e processos otimizados, promovendo a adoção mais ampla de tecnologias baseadas em inteligência artificial na engenharia de materiais.
id IFRS-4_f9b8f8c5ec6b76ff6be6f0beea214c42
oai_identifier_str oai:dspace.ifrs.edu.br:123456789/1902
network_acronym_str IFRS-4
network_name_str Repositório Institucional do IFRS
repository_id_str
spelling Aplicações de aprendizagem de máquina em engenharia de materiaisEngenharia de materiaisAprendizagem de máquinaInteligência ArtificialEste trabalho apresenta uma análise abrangente sobre a aplicação de técnicas de aprendizagem de máquina na Engenharia de Materiais, destacando seu papel no enfrentamento de desafios associados ao desenvolvimento, previsão de propriedades e otimização de processos na área. A pesquisa é estruturada em dois artigos científicos: o primeiro realiza uma revisão sistemática da literatura publicada entre 2015 e 2023, identificando as principais técnicas empregadas, como redes neurais e Deep Learning, além das subáreas mais beneficiadas, como materiais metálicos, compósitos e nanomateriais. O segundo artigo aborda um estudo de caso sobre a aplicação de inteligência artificial para otimizar a fabricação sustentável de ferro fundido nodular austemperado. Um exemplo concreto é o desenvolvimento de uma RNA que correlaciona propriedades mecânicas (Rmax, LE, %A, HB) e custos de composição química com elementos químicos específicos (%C, %Si, %Mn, entre outros), conforme dados fornecidos pelo ASM Handbook. Este modelo demonstra como o aprendizado de máquina pode prever composições químicas ideais para atender propriedades desejadas, economizando tempo e reduzindo custos nos processos industriais. Os resultados evidenciam que as técnicas de aprendizagem de máquina permitem reduzir custos, acelerar o tempo de desenvolvimento de materiais e melhorar a confiabilidade na determinação das propriedades dos materiais. No entanto, desafios como a qualidade dos dados e a necessidade de padronização ainda limitam sua implementação prática. Conclui-se que a integração entre ciência dos materiais e ciência da computação é essencial para o avanço no desenvolvimento de novos materiais e processos otimizados, promovendo a adoção mais ampla de tecnologias baseadas em inteligência artificial na engenharia de materiais.This work provides a comprehensive analysis of the application of machine learning techniques in Materials Engineering, highlighting their role in addressing challenges related to material development, property prediction, and process optimization. The research is structured into two scientific articles: the first presents a systematic literature review of studies published between 2015 and 2023, identifying key techniques such as neural networks and deep learning, as well as the most benefited subfields, including metallic materials, composites, and nanomaterials. The second article focuses on a case study applying artificial intelligence to optimize the sustainable manufacturing of austempered ductile iron. The results show that machine learning techniques can reduce costs, accelerate material development timelines, and improve the accuracy of property predictions. However, challenges such as data quality and the need for standardization still limit their practical implementation. It is concluded that the integration of materials science with computer science is essential for advancing the field and fostering the broader adoption of artificial intelligence-based technologies.Lessa, Cleber Rodrigo de LimaBrustolin, Nilton Renê Alberto2025-01-29T01:39:51Z2025-01-29T01:39:51Z2024info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfapplication/pdfhttps://dspace.ifrs.edu.br/xmlui/handle/123456789/1902porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional do IFRSinstname:Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Sul (IFRS)instacron:IFRS2025-01-29T01:51:45Zoai:dspace.ifrs.edu.br:123456789/1902Repositório InstitucionalPUBhttps://repositorio.ifrs.edu.br/oai/requestri@ifrs.edu.bropendoar:2025-01-29T01:51:45Repositório Institucional do IFRS - Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Sul (IFRS)false
dc.title.none.fl_str_mv Aplicações de aprendizagem de máquina em engenharia de materiais
title Aplicações de aprendizagem de máquina em engenharia de materiais
spellingShingle Aplicações de aprendizagem de máquina em engenharia de materiais
Brustolin, Nilton Renê Alberto
Engenharia de materiais
Aprendizagem de máquina
Inteligência Artificial
title_short Aplicações de aprendizagem de máquina em engenharia de materiais
title_full Aplicações de aprendizagem de máquina em engenharia de materiais
title_fullStr Aplicações de aprendizagem de máquina em engenharia de materiais
title_full_unstemmed Aplicações de aprendizagem de máquina em engenharia de materiais
title_sort Aplicações de aprendizagem de máquina em engenharia de materiais
author Brustolin, Nilton Renê Alberto
author_facet Brustolin, Nilton Renê Alberto
author_role author
dc.contributor.none.fl_str_mv Lessa, Cleber Rodrigo de Lima
dc.contributor.author.fl_str_mv Brustolin, Nilton Renê Alberto
dc.subject.por.fl_str_mv Engenharia de materiais
Aprendizagem de máquina
Inteligência Artificial
topic Engenharia de materiais
Aprendizagem de máquina
Inteligência Artificial
description Este trabalho apresenta uma análise abrangente sobre a aplicação de técnicas de aprendizagem de máquina na Engenharia de Materiais, destacando seu papel no enfrentamento de desafios associados ao desenvolvimento, previsão de propriedades e otimização de processos na área. A pesquisa é estruturada em dois artigos científicos: o primeiro realiza uma revisão sistemática da literatura publicada entre 2015 e 2023, identificando as principais técnicas empregadas, como redes neurais e Deep Learning, além das subáreas mais beneficiadas, como materiais metálicos, compósitos e nanomateriais. O segundo artigo aborda um estudo de caso sobre a aplicação de inteligência artificial para otimizar a fabricação sustentável de ferro fundido nodular austemperado. Um exemplo concreto é o desenvolvimento de uma RNA que correlaciona propriedades mecânicas (Rmax, LE, %A, HB) e custos de composição química com elementos químicos específicos (%C, %Si, %Mn, entre outros), conforme dados fornecidos pelo ASM Handbook. Este modelo demonstra como o aprendizado de máquina pode prever composições químicas ideais para atender propriedades desejadas, economizando tempo e reduzindo custos nos processos industriais. Os resultados evidenciam que as técnicas de aprendizagem de máquina permitem reduzir custos, acelerar o tempo de desenvolvimento de materiais e melhorar a confiabilidade na determinação das propriedades dos materiais. No entanto, desafios como a qualidade dos dados e a necessidade de padronização ainda limitam sua implementação prática. Conclui-se que a integração entre ciência dos materiais e ciência da computação é essencial para o avanço no desenvolvimento de novos materiais e processos otimizados, promovendo a adoção mais ampla de tecnologias baseadas em inteligência artificial na engenharia de materiais.
publishDate 2024
dc.date.none.fl_str_mv 2024
2025-01-29T01:39:51Z
2025-01-29T01:39:51Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://dspace.ifrs.edu.br/xmlui/handle/123456789/1902
url https://dspace.ifrs.edu.br/xmlui/handle/123456789/1902
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional do IFRS
instname:Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Sul (IFRS)
instacron:IFRS
instname_str Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Sul (IFRS)
instacron_str IFRS
institution IFRS
reponame_str Repositório Institucional do IFRS
collection Repositório Institucional do IFRS
repository.name.fl_str_mv Repositório Institucional do IFRS - Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Sul (IFRS)
repository.mail.fl_str_mv ri@ifrs.edu.br
_version_ 1851871919975956480

Registros relacionados